创新型城市试点对绿色创新效率的影响机制

王 晗，何枭吟，许舜威

（1. 华中科技大学经济学院，湖北武汉430074；2. 郑州大学商学院，河南郑州450001）

国家“十四五”规划中首次把科技自立自强作为国家发展的战略支撑，明确指出要坚持创新在中国现代化建设全局中的核心地位，继续深入实施创新驱动发展战略。城市作为科技创新活动的重要空间载体，拥有丰富的创新资源和要素构成，创新型城市的建设已成为提高自主创新能力、构建新发展格局的着力点和突破口。自2008年深圳获批为第一个试点城市之后，目前全国已有78 个城市开展试点工作。各试点城市立足于自身的资源禀赋、产业结构和经济发展水平，统筹协调创新资源优化配置，初步形成特色鲜明、高效开放的区域创新体系，从而有效推进了创新型国家建设。与此同时，中国经济发展方式正在由数量型的规模扩张向质量型的结构升级转变，绿色创新兼顾了技术创新活动和环境保护要求，能够实现经济发展质量和效益的双重提升，成为推动经济高质量发展的应有之义。在这一背景下，创新型城市试点是否会提升绿色创新效率？以及通过哪些机制影响绿色创新效率？不同城市间的政策效果是否存在差异？这一系列问题值得深入思考。

1 文献综述

现有文献多从创新型城市的基本内涵、评价指标和实施效果等角度展开分析。随着全球化进程加快和信息化时代的来临，城市的科技创新能力愈发重要，较强的自主创新能力是创新型城市的核心内涵［1-2］。城市创新系统涵盖技术、知识、制度、服务和文化等诸多要素，不同创新主体之间的交互融合促进了知识技术的集聚扩散［3］。学者们运用聚类分析法［4］、遗传算法-支持向量机［5］等方法建立起包括创新内容、创新过程和政策效果的一级二级指标体系，全面评估创新型城市的发展水平。自创新型城市试点开展以来，不少学者以这一试点设立为准自然实验，分析其对外商直接投资质量［6］、产业结构转型［7］、城市生产率［8］等方面所产生出的政策实践效果。

作为传统创新理论与生态环保理念相结合的产物，绿色创新可以产生出创新成果与环境效益相统一的双重正外部性，通过应用新技术、新知识既降低了环境污染水平，又创造出巨大的经济效益［9-10］。从绿色创新效率的测算方法来看，尽管也有研究利用因子分析法［11］、随机前沿分析法［12］来进行测度，但是考虑多投入和多产出的数据包络分析法（Data Envelopment Analysis，DEA）占据主流地位。钱丽等［13］利用扩展的DEA模型测度不同地区的绿色创新效率，得出中国区域绿色创新效率呈现出东部向中西部逐渐递减的分布特征。彭文斌等［14］利用DEA模型以及探索性空间数据分析发现中国城市绿色创新效率不断上升，且表现出显著的地理空间集聚特征。绿色创新效率会受到很多因素的作用影响，例如较高的经济发展水平与财政分权能力可以带来更多的绿色创新要素投入，改善创新资源配置效率［15］；环境规制能够倒逼企业进行污染治理技术升级改造，进而促进绿色创新效率的提升［16］。

已有研究仅仅单一地关注创新型城市或者绿色创新效率，却没有将两者纳入到同一分析框架内，即探讨创新型城市建设对绿色创新效率所产生的影响及其作用机理。传统DEA 模型被广泛应用于绿色创新效率的测算，但是这一方法并没有考虑到环境污染、资源消耗等非期望产出。基于此，该研究的边际贡献在于以下方面：第一，基于考虑非期望产出的超效率SBM 模型测度城市绿色创新效率，可以解决DEA方法中的径向和角度问题，有效评价决策单元的基本效率。第二，以285个地级市为研究对象，构建包括实验组和对照组的双重差分模型，同时进行地理区位、行政等级、发展规模的异质性分析，更为准确地评价创新型城市建设的试点效果。第三，以人才集聚、资本深化、信息化水平、环境规制强度作为中介变量，通过中介效应模型实证检验创新型城市试点作用于绿色创新效率的影响渠道。

2 政策背景与理论假设

2.1 政策背景

2008 年6 月，国家发展和改革委员会批准在深圳市开展国家创新型城市试点，拉开了中国创新型城市建设的序幕。2010 年1 月，大连等16 个城市获批为新一轮创新型城市试点地区，同年科学技术部同意北京市海淀区等20 个城市（区）为国家创新型试点城市（区）。2016 年12 月，《建设创新型城市工作指引》正式印发，公布出61个试点城市（区）的具体名单，并明确创新型城市建设的重点任务与指标体系。2018 年4 月，国家发展和改革委员会和科学技术部批复在吉林市等17个城市进行创新型城市新一批试点工作。根据近期公布的《国家创新型城市创新能力评价报告2020》，目前中国已在78 个城市开展创新型城市建设，这些试点城市培育出全国80%的高新技术企业，研发经费投入和地方财政科技投入的全国占比均超过70%，已经成为人才、资本、技术、数据等要素的重要集聚地。

2.2 理论假设

人才作为绿色创新活动中的核心要素，能够为创新型城市的建设提供不竭动力。一方面，为了吸引到更多专业型、复合型人才资源，各试点城市纷纷出台一系列人才优惠政策，在户口准入、住房购买、子女教育等方面给予扶持和补贴，使得试点城市吸纳到大量的高素质创新人才和团队，产生出良好的人才集聚效应。创新人才在地理空间上的聚集降低了劳动力搜寻成本，使得企业能够突破既有资源约束限制，更为便捷地获取到外部创新资源，弥补自身的绿色创新要素投入不足［17］。另一方面，创新人才集聚会带来产业链上的技术扩散和创新溢出，不同产业及同一产业不同企业间通过创新人才的流动实现产品研发和技术升级。创新人才的集聚也加剧了市场竞争程度，促使效率较低的企业被市场所淘汰，进而提高整个产业乃至城市的绿色创新效率［18］。据此，该研究提出假设1。

假设1：创新型城市试点通过提高人才集聚程度促进绿色创新效率提升。

创新研发活动一般具有风险高、周期长、直接经济回报少等特点，导致研发资金无法与企业内部收支和外部经济波动相衔接，这也是共性技术研发领域缺乏投入激励的重要原因［19］。一方面，由于创新型城市建设中面临着创新资金匮乏的困境，需要政府部门增加科技教育领域的财政支出，对企业的研发创新活动给予补贴激励和税收优惠，通过直接补贴、事后奖补、专项基金等方式降低产品研发成本、扩大绿色创新资金渠道来源［20］。另一方面，在政府战略的引领下，各类金融机构加快完善技术创新领域的投融资制度，切实解决创新企业的融资难、融资贵问题，强化对高科技企业的贷款支持和信用担保，加速社会资本向创新企业及高技术产业流动聚集，缓解城市绿色创新活动中的融资约束。据此，该研究提出假设2。

假设2：创新型城市试点通过提高资本深化能力促进绿色创新效率提升。

以互联网为代表的信息基础设施实现了创新要素在生产部门和应用部门之间的广泛扩散，带动传统行业及新兴产业创新方式不断革新，充分释放出创新溢出红利。一方面，中国的城市创新体系建设相对滞后，城市创新活动所依赖的信息基础设施条件并不完善，一定程度上制约了城市创新水平提升［21］。随着创新型城市建设的开展，各试点城市普遍加大包括信息化、网络化在内的基础设施投入力度，积极拓宽大数据、物联网、云计算等新型信息基础设施应用范围。另一方面，信息基础设施通过信息元的流动打破时空距离障碍，大幅度提高绿色创新知识传播速度，减少创新活动中的信息不对称现象［22］。信息基础设施也提供了公共服务平台和创新载体，为绿色创新活动营造出良好的信息化环境。据此，该研究提出假设3。

假设3：创新型城市试点通过提高信息化水平促进绿色创新效率提升。

不同于一般的创新活动，绿色创新在环境问题上更加具有针对性，强调降低创新过程中的资源消耗和环境损害，与城市的环境规制强度是密切相关的［23］。一方面，创新型城市建设摒弃“先污染后治理”经济发展模式，限制高能耗高污染行业的增长扩张，鼓励支持生态友好型、资本密集型及知识密集型产业的发展，制定出产业节能减排的主要目标。另一方面，设计合理的环境规制能够激发出更多以环境效益为导向的绿色创新活动，进而产生出巨大的“创新补偿效应”，可以抵消环境规制所带来的治污成本增加［24］。环境规制使得企业通过污染治理技术应用来减少污染物排放，同时将绿色创新理念贯穿于产品研发、品牌营销、市场售后等环节，通过创新累积放大效应提高城市整体的绿色创新能力。据此，该研究提出假设4。

假设4：创新型城市试点通过提高环境规制强度促进绿色创新效率提升。

3 研究设计

3.1 模型设定

该研究以创新型城市的设立作为准自然实验，将试点城市视作实验组，非试点城市视作对照组，利用倾向得分匹配法（Propensity Score Matching，PSM）控制试点城市和非试点城市变量的系统性差异，解决好样本选择性偏差问题；同时由于模型可能存在遗漏变量等原因导致的内生性问题，需要采用双重差分模型（Difference‑in‑difference，DID）来进行消除。基于此，该研究采取PSM‑DID方法来量化创新型城市试点对绿色创新效率的政策效应。中国创新型城市试点工作是分年逐步推进的，而传统的双重差分模型只能观测到单一时点的政策效果，为此，这里构建出多期DID模型进行估计［25］，模型设定具体如下。

Gieit=α0+α1Treatit×Periodit+δXit+μi+λt+εit（1）

其中：Gieit为被解释变量，表示第i个城市t年的绿色创新效率。Treatit×Periodit代表创新型城市试点政策，其模型系数α1反映出创新型城市建设的政策效果，若α1显著为正，则说明创新型城市试点提升了绿色创新效率，反之亦然。X表示城市层面控制变量的集合，μi代表个体固定效应，λt代表时间固定效应，εit为随机误差项。

3.2 变量选取与数据说明

该研究的被解释变量是绿色创新效率（Gie）。参照王巧等［26］的测算方法，采用超效率SBM 模型来测度城市绿色创新效率。传统SBM 模型将松弛变量纳入到目标函数之中，克服了DEA方法的投入产出变量松弛性问题，并且关注到非期望产出对效率产生的影响，超效率SBM 模型则在其基础上实现对效率值的进一步分解比较，测算结果更为准确。绿色创新效率突出强调创新活动中的生态性，最大程度上实现资源要素节约与环境污染降低。因此，该研究在对其进行测算时充分考虑到能源与环境因素，主要选取以下两大类指标：

投入指标：①劳动投入。以从事科技活动和从事水利、环境和公共设施管理的从业人员总数来衡量劳动力投入。②资本投入。以政府科学事业费支出和环境治理投入两者的总数作为资本投入指标。③能源资源投入。利用熵值法将供水总量、全社会用电量、液化石油气供气总量进行综合，计算出城市资源消耗指数衡量能源资源投入。

产出指标：①期望产出。依次选取城市人均GDP、专利申请授权量、建成区绿化覆盖率作为期望产出中的经济产出、技术产出以及生态产出的衡量指标。②非期望产出。选取各城市工业二氧化硫排放量、工业废水排放量、工业烟尘排放量作为非期望产出构成，同样采用熵值法得出城市环境污染指数来衡量非期望产出。

由图1 可知，从总体趋势来看，2004—2018 年中国城市绿色创新效率表现出不断增长的发展势头。东、中、西部地区的城市绿色创新效率与全国整体趋势基本保持一致，均出现不同程度的正面提升。分地区而言，东部地区城市的绿色创新效率普遍高于中西部地区，而西部地区城市的绿色创新效率明显低于其他地区与全国水平。尽管2008年之后中国不同地区城市绿色创新效率的差距有所扩大，但是自2015年以来，城市绿色创新效率的地区间差距出现明显缩小。总而言之，无论是全国水平还是地区发展差异，中国城市绿色创新效率都呈现出积极改善的良好态势。

该研究的核心解释变量是创新型城市试点政策交互项（Treat×Period）。根据科技部网站公布的创新型城市试点名单，选取了2008—2016年获批的59个创新型城市，由于2018年批复的创新型城市建设时间较短，该研究未进行分析。这里采用虚拟变量的形式进行设定，分组虚拟变量（Treat）的设置是将创新型城市设定为1，非创新型城市设定为0；时间虚拟变量（Period）的设置是把试点城市获批当年及其以后年份赋值为1，其余年份赋值为0。

控制变量如下：①经济发展水平。使用城市地区生产总值即实际GDP 来表示，以2004 年为基期进行价格指数平减，同时取其对数形式。②产业结构状况。使用第三产业产值与第二产业产值之比进行表示。③外商直接投资。使用各城市实际利用外商直接投资总额的对数形式来表示。④金融发展水平。使用存款贷款余额之和与地区GDP的比值进行衡量。⑤政府干预程度。使用各城市地方财政支出总额的对数形式进行表示。因香港、澳门、台湾及西藏自治区数据缺失，故未涵盖在内。该研究最终选取了2004—2018 年中国285 个地级市的数据，所有数据均来自于对应年份的《中国城市统计年鉴》，并利用线性插值法对数据缺失值进行填补。

3.3 平行趋势检验

满足平行趋势假设是利用双重差分法的重要前提，即在没有试点政策干预的情形下，实验组城市和对照组城市的绿色创新效率具有相同的变化趋势。创新型城市试点由于受政策实施基础及推行力度等因素影响，使得政策实施效果出现一定程度的滞后性。该研究借鉴较为常用的事件分析法［27］，建立动态模型如下：

其中：Gieit表示城市绿色创新效率，pre代表一组反事实虚拟变量，假设创新型城市试点从获批当年之前的第τ年实施，则pre= 1，其他年份pre= 0。假设创新型城市试点从获批当年之后的第σ年实施，则post= 1，其他年份post= 0。创新型城市试点获批当年current= 1，其他年份current= 0。如果估计系数θτ未通过显著性检验，表明政策实施前实验组和对照组城市绿色创新效率没有显著差异。如果估计系数θσ通过显著性检验，表明创新型城市试点政策实施之后，实验组和对照组的绿色创新效率存在显著差异，从而通过平行趋势检验。

（4）让幼儿获得高品质的适宜发展。即能够运用已有知识和经验去发现问题、解决问题，在亲身经历中积累学习经验，发挥智能优势；能够在良好的学习环境中，选择自己感兴趣的学习内容，满足个性发展和兴趣爱好的需要；能够关心周围的生活世界，养成勇敢坚强、自信乐观、不怕困难等良好的个性品质。

该研究通过图示法分析创新型城市试点政策实施前后绿色创新效率的变动趋势，如图2 所示，在创新型城市试点政策实施之前，实验组城市和对照组城市的绿色创新效率不存在显著差异；而在政策实施之后，实验组城市和对照组城市之间绿色创新效率的差异越来越大，说明其通过了平行趋势检验，利用双重差分法评估创新型城市试点对绿色创新效率的影响是合理可行的。

4 实证结果分析

4.1 倾向得分匹配结果

图1 2004—2018年中国不同地区城市绿色创新效率变化趋势

图2 平行趋势检验

为了避免样本选择性偏差影响估计结果，该研究利用倾向得分匹配法（PSM）对实验组和对照组进行匹配，由于产业结构和人口总量是提升绿色创新效率的基础性因素，互联网发展则为绿色创新活动的开展提供信息化支撑，固定资产投资和政府财政支出是绿色创新活动重要的资金保证［28］。因此，这里选取产业结构、城市人口规模、互联网用户数、固定资产投资总额、地方财政支出作为协变量，基于Logit 模型对实验组和对照组进行最小近邻匹配。由表1 可知，经过倾向得分匹配之后，实验组和对照组间的差异明显降低，标准偏差呈现出很大幅度的缩小，而且无法拒绝实验组城市和对照组城市差异为零的假设，总体上符合平衡性检验。

4.2 基准回归结果分析

由基准模型结果（表2）可知，无论是否将控制变量纳入到模型之中，这三种方法下政策效应交互项的估计系数在1%的水平上始终显著为正，从而表明创新型城市试点可以有效提升城市绿色创新效率。从控制变量来看，经济发展水平和产业结构状况的影响系数均显著为正，说明良好的经济发展水平能够为绿色创新活动提供坚实的经济基础和市场规模优势，产业结构高级化合理化能够更好地引领城市绿色创新的发展方向。外商直接投资并没有显著提升城市绿色创新效率，甚至具有一定的负向抑制作用，原因可能是外资的进入产生出竞争效应和挤出效应，使得本地企业获得的市场利润减少，被迫降低自身创新研发投入，同时外商直接投资的引入质量不高也会阻碍绿色创新效率提升。金融发展水平的估计系数在1%显著性水平上一直为正值，这说明金融发展水平越高的城市，其绿色创新活动越能得到完备的金融服务，缓解其所面临的融资难融资贵问题。政府干预程度显著地抑制了城市绿色创新效率增长，表明过多的政府干预会导致绿色创新资源分配的效率低下，由于存在信息不对称和逆向选择，政府的财政补贴政策往往不能达到提升绿色创新效率的理想效果。

4.3 异质性分析

4.3.1 地理区位异质性

从城市所处的地理区位来看，中国各区域经济间的空间差异特征不容忽视，特别是东部、中部和西部地区在经济社会诸多领域表现出很大发展差距。根据所属地理位置将样本城市分为东部城市和中西部城市，分组模型结果显示，创新型城市试点均显著促进了东部城市和中西部城市的绿色创新效率增长，较之于东部城市，中西部城市受到的积极影响较小。东部地区的城市海陆交通条件便利，地理区位优势明显，经济外向型程度较高，易于引进国外先进的绿色技术创新成果，同时具有经济基础实力雄厚、产业结构协调合理等诸多有利因素的叠加效应。处于中西部地区的城市囿于地理空间区位限制，绿色创新活动的外部交流并不顺畅，加之经济实力与产业基础偏弱、科技创新水平相对落后等原因，使得创新型城市试点政策的提升作用受到削弱。

4.3.2 行政等级异质性

城市行政等级的不同使得其在经济发展规模、绿色创新要素集聚、创新资源配置与成果转化等方面具有较大的差异。该研究将直辖市、省会城市及副省级城市作为重点城市，其他城市作为一般城市。由表3的估计结果可知，重点城市的政策交互项模型系数在1%水平上显著为正，而一般城市的影响系数为负且不显著，说明创新型城市试点能够提升重点城市的绿色创新效率，但是对于一般城市的政策效果并不明显。重点城市通常居于区域经济发展的中心和引领地位，自身具备良好的经济规模及政策红利优势，可以充分地集聚起本地区的绿色创新要素资源。一般城市则更多地依赖于重点城市的辐射带动，难以吸引到大量的绿色创新要素资源，绿色创新活动的总体竞争力不强，创新型城市试点政策的积极效果没有得到发挥。

表1 匹配前后的平衡性检验

4.3.3 发展规模异质性

城市发展规模的差异意味着规模较大的城市和较小的城市在经济基础、产业结构、对外开放及金融发展水平等方面呈现出异质性。该研究将城区常住人口在500 万以上的城市定义为特大城市，将人口在100万以上、500万以下的城市定义为中等城市。表3结果表明，创新型城市试点明显地提高了特大城市的绿色创新效率，尽管中等城市的政策交叉项系数为正，但是并没有通过显著性水平检验。之所以如此，原因在于特大城市拥有规模庞大的人口基数，可以为绿色创新提供有力的人才保证和巨大的市场需求，打造完善的绿色创新生态系统。与之相反，中等城市则面临着产业结构落后、人力资本匮乏、科技水平偏低、创新资金来源单一等问题，绿色创新活动发展动力严重不足，导致其政策效果尚未充分显现。

4.4 影响机制分析

4.4.1 中介效应模型构建

基于前文理论机制分析，借鉴中介效应检验的基本方法，建立如下检验递归方程：

其中：M代表中介变量，其他变量的含义与前文相同。首先，将绿色创新效率作为被解释变量，创新型城市试点政策作为解释变量进行模型。其次，将选取的中介变量分别作为被解释变量，而创新型城市试点政策作为解释变量进行模型。最后，将创新型城市试点政策和中介变量均纳入到模型模型中，分析两者对绿色创新效率的影响。若模型系数β1、γ1都显著，且φ1较β1估计值变小或者显著性水平降低，则说明存在中介效应。

表2 基准模型结果

表3 异质性分析

该研究所选取的中介变量如下：①人才集聚程度。城市劳动力人口的受教育水平普遍较高，往往被视为高技能劳动者的代表，采用城市就业人员数占城市总人口的比重来衡量人才集聚程度。②资本深化能力。固定资产投资为绿色创新成果应用、传统产业改造和新兴产业培育提供坚实的资金保障，采用全社会固定资产投资与城市总面积的比值来衡量资本深化能力。③信息化水平。互联网发展带来的信息化已成为知识传播和技术交流中不可或缺的媒介，也是绿色创新活动所赖以依托的基础设施环境，采用每万人中的国际互联网用户数来反映信息化水平。④环境规制强度。环境治理投资注重运用市场调节的力量影响排污主体的行为，增强了减少污染物排放的主观能动性，有利于绿色创新过程中的生态环境保护，采用污染治理投资当年完成额来衡量环境规制强度。

4.4.2 中介效应检验结果

由表4 中基准模型结果可知，创新型城市试点政策的估计系数为0.062 1，且在1%的水平上显著，表明创新型城市试点可以提升绿色创新效率，满足了进行中介效应检验的前提。人才集聚程度作为中介变量的检验结果如表4 中列（2）—列（3）所示。列（2）结果显示，创新型城市试点对人才集聚程度的影响系数在1%水平上显著为正，意味着试点政策能够明显提高城市的人才集聚程度。将创新型城市试点与人才集聚程度同时纳入到模型之中（列3），得出试点政策的估计系数为0.051 7，与未考虑中介变量时相比，系数值变小且显著性水平下降，证明这一中介效应是存在的。人才集聚程度的中介效应为0.010 4，约占总效应的16.75%，则假设1 得到验证。

资本深化能力作为中介变量的检验结果如表4 中列（4）—列（5）所示。列（4）估计结果显示，创新型城市试点对资本深化程度的影响系数为1.421 1，并且在1%水平上是显著的，说明创新型城市试点政策有利于推动城市资本的有效集聚。当同时考虑试点政策和资本深化程度（列（5））时，创新型城市试点的模型系数在5%的显著性水平上为0.049 2，较之于基准模型结果中试点政策估计系数及显著性水平，都出现一定程度的降低，进而证实了中介效应的存在。资本深化程度的中介效应为0.012 9，约占总效应的20.77%，则假设2得到验证。

信息化水平作为中介变量的检验结果如表5中列（2）—列（3）所示。与表4 相类似，表5 中列（1）是匹配之后的基准模型结果。列（2）结果显示，创新型城市试点对信息化水平的影响系数为2.207 3，同时通过了1%水平的显著性检验，表明创新型城市试点对于信息化水平的提升具有积极促进作用。列（3）将试点政策与信息化水平都纳入到模型模型中，创新型城市试点政策的估计系数为0.052 5，且在5%的水平上显著，与基准模型结果中的0.062 1 相比略有下降，说明信息化水平的中介效应是存在的。信息化水平的中介效应为0.009 6，约占总效应的15.46%，则假设3得到验证。

环境规制强度作为中介变量的检验结果如表5 中列（4）—列（5）所示。从列（4）结果可以得出，创新型城市试点对环境规制强度的影响系数为1.032 8，并且通过了5%水平的显著性检验，说明创新型城市试点能够提高本地区的环境规制强度。列（5）把试点政策和环境规制强度都纳入到模型中进行模型，得出创新型城市试点政策的估计系数为0.049 6，同时在5%的水平上显著，相较于列（1）中的估计系数及显著性水平，均表现出较为明显的下降态势，说明环境规制强度的中介效应是存在的。环境规制强度的中介效应为0.012 5，约占总效应的20.13%，则假设4得到验证。

表4 中介效应检验结果Ⅰ

表5 中介效应检验结果Ⅱ

4.5 稳健性检验

4.5.1 改变绿色创新效率测算指标

借鉴张静晓等［29］的方法，将城市绿色创新过程划分为创新科技研发和绿色技术转化两个彼此关联的演进阶段，选取相应的投入和产出指标，同时运用考虑松弛变量的网络DEA 模型重新测算出城市的绿色创新效率，随后将其纳入到双重差分模型中进行模型分析，估计结果如表6中列（1）—列（2）所示。从中可以看出，无论是否加入控制变量，创新型城市试点政策的模型系数在1%的显著性水平上始终为正，从而说明即使改变绿色创新效率的测算方法，创新型城市试点政策依然能够产生出积极的推动作用。

4.5.2 剔除其他政策的影响

由于创新型城市试点政策虚拟变量的局限性，无法对同一时期的其他政策效应进行排除分析，可能导致估计结果存在一定偏误。基于此，该研究将剔除2008年以来影响绿色创新效率的其他政策因素。2009 年中国开始建设实施国家自主创新示范区，推动科技创新体制完善和高科技产业发展，这一政策与创新型城市试点较为相似。2012 年党的十八大召开以来，环境保护问题受到空前重视，各级政府密集出台一系列保护生态环境的政策法规。考虑到上述政策的相互影响，分别加入政策虚拟变量D2009 和D2012，实证结果如表6 中列（3）—列（6）所示。具体而言，自主创新示范区的建设对绿色创新效率具有显著的正向影响，纳入这一政策之后，创新型城市试点的模型系数出现下降，但依然通过显著性水平检验。2012 年及其后实施的环保政策有利于提升绿色创新效率，单独考虑环保政策之后，创新型城市试点模型系数在5%的显著性水平上降低至0.057 0。因而，尽管可能存在对创新型城市试点政策效应的高估，但是影响结果依然显著，该研究核心结论是稳健可信的。

4.5.3 安慰剂对照检验

为了消除其他非观测遗漏变量对创新型城市试点政策效应的干扰，参考张国建等［30］的做法，采取随机选择创新型城市试点的方式进行安慰剂检验。根据公式（1）可知Treatit×Periodit系数估计值α1的表达式如下：

其中：control代表所有观测到的控制变量，如果ω=0，则α1的估计是无偏的，即非观测因素不会干扰模型结果。由于无法直接检验ω是否为0，需要通过模拟随机产生出创新型城市试点名单，而随机构建的Treatit×Periodit不会对绿色创新效率产生影响。在这一基础上，如果估计得出α^1=0，则可以反推出ω值应为0。这里将随机过程重复进行500次回归，发现随机抽样的估计值主要分布在零附近，同时样本分布区间也没有包含基准估计系数0.062 1，从而可以推断出ω=0，即随机设立的创新型城市并不具有政策效应，说明基本结论没有受到其他随机因素的影响，验证了该研究结论的稳健性。

5 研究结论与建议

该研究以2004—2018 年中国285 个地级及以上城市为研究对象，将创新型城市试点作为一项准自然实验，利用PSM-DID方法评估创新型城市建设对绿色创新效率的影响。研究发现：①创新型城市试点政策对绿色创新效率的平均影响净效应为0.062 1，且在1%水平上正向显著，表明创新型城市建设有效提升了绿色创新效率，这一结论进行不同稳健性检验之后依然成立。②创新型城市试点政策对绿色创新效率的影响存在异质性。在东部地区、重点城市和特大城市，创新型城市建设可以显著提升绿色创新效率，然而在中西部地区、一般城市和中等城市，试点政策对绿色创新效率影响效应相对较小甚至并不明显。③中介效应检验结果显示，创新型城市试点政策通过提高人才集聚程度、资本深化能力、信息化水平及环境规制强度等途径来推动绿色创新效率的提升。

表6 稳健性检验

根据以上研究结论，提出如下建议：①立足于创新型国家发展的基本目标，全面明晰中央与地方政府、不同职能部门之间的责任关系，为创新型城市建设提供根本性全局性的指引。积极支持创新型城市试点地区开展先行先试工作，探索出更多可复制推广的成熟经验。稳妥有序地扩大中国创新型城市试点范围，尽快形成水平更高、范围更广的创新型城市建设格局。②创新型城市试点应当坚持分类指导、因城施策的原则，统筹考虑不同城市在地理区位、经济规模、产业基础、资源禀赋等方面的差异，避免盲目复制或者全盘照搬其他创新型城市的发展经验。对于中西部地区城市、一般城市和中等城市而言，要把握住创新型城市建设的机遇期和窗口期，以绿色创新链合作和产业价值链分工为突破，注重发挥挖掘自身优势潜力，探索出符合地区实际的创新模式。③制度出宽松优惠的人才引进政策，鼓励高等院校和科研机构加强创新型人才培养。完善创新活动领域的投融资机制，扩大财政资金对科技创新投入，激励高科技企业增加创新研发投入。加快以互联网为代表的新型信息基础设施建设，拓展5G 技术、工业物联网、大数据中心等网络基础设施的应用领域，破除制约创新要素自由流动的壁垒。制定细化污染物排放标准要求，明确创新活动中环保主体的责任范畴，建立起完备的生态环境监管体系，应用节能环保和清洁生产绿色技术，从而更好地提升城市绿色创新效率。